首页»行业  »   语音识别  »   正文

谷歌新AI技术可将语音识别错误降低29%

谷歌新AI技术可将语音识别错误降低29%

语音识别发展迅速,EdgeSpeechNet等最先进的模型在去年年底的论文中指出,能够达到97%的准确率。但即便是最好的系统也会偶然发现不常见的词汇。

为了缩小差距,谷歌和加利福尼亚大学的科学家提出了一种方法,可以利用纯文本数据训练的拼写校正模型。

在论文“A Spelling Correction Model for End-to-End Speech Recognition”中,他们报告说,在使用800个词,960小时的语言建模LibriSpeech数据集的实验中,他们的技术显示,与基线相比,单词错误率(WER)相对提高了18.6%。在某些情况下,它甚至可以减少29%的错误。

目标是将一个受文本数据训练的模块纳入端到端框架,目的是纠正系统所犯的错误。具体来说,使用文本到语音(TTS)系统调查使用不成对的数据生成音频信号,这个过程类似于机器翻译中的反向翻译。

正如论文作者所解释的那样,大多数自动语音识别(ASR)系统共同训练三个组成部分:一个学习音频信号与构成语音的语言单位之间关系的声学模型,一个为单词序列分配概率的语言模型,以及一种机制,用于对声学帧和识别的符号进行对齐。

这三者都使用单个神经网络(在生物神经元之后建模的分层数学函数)和转录的音频-文本对,因此,当语言模型遇到语料库中不常出现的单词时,通常性能会下降。

谷歌新AI技术可将语音识别错误降低29%

然后,研究人员着手将上述拼写校正模型纳入ASR框架,一种将输入和输出句子解码为“词组”的子词单元的模型,它采用嵌入词(即映射到向量的特征)实数)并将它们映射到更高级别的表示。

他们使用纯文本数据和使用文本到语音(TTS)系统(并行WaveNet)生成的相应合成音频信号来训练LAS语音识别器,这是2017年谷歌大脑研究人员首次描述的端到端模型,然后创建一组TTS对。然后,他们教拼写纠正器纠正识别器通过给它们提供的潜在错误。

为了验证模型,研究人员训练了一个语言模型,生成了一个TTS数据集来训练LAS模型,并用错误假设来训练拼写校正模型,其中包含了来自LibriSpeech数据集的4000万个文本序列,过滤掉了仅包含单字母单词和短于90个单词的序列。结果发现,通过校正来自LAS的条目,语音校正模型可以产生一个具有更低错误率的扩展输出。

论文:

arxiv.org/pdf/1902.07178.pdf

欢迎关注ATYUN官方公众号,商务合作及内容投稿请联系邮箱:bd@atyun.com

发表评论